针对热轧带钢表面缺陷检测精度低的问题,提出一种改进的YOLOv5算法。首先,设计了一种多尺度融合平行骨干网络,其中,辅助骨干中的各个特征层经过转换,作为输入逐级复合连接到主骨干的各个特征层,利用辅助骨干提高主骨干的表达能力,从而...针对热轧带钢表面缺陷检测精度低的问题,提出一种改进的YOLOv5算法。首先,设计了一种多尺度融合平行骨干网络,其中,辅助骨干中的各个特征层经过转换,作为输入逐级复合连接到主骨干的各个特征层,利用辅助骨干提高主骨干的表达能力,从而提升了网络的表达能力;其次,在骨干网络和颈部中引入基于内容感知的特征重组模块(content-aware reassembly of features,CARAFE),获取检测任务所需的丰富语义信息,改善上采样语义信息丢失的问题;最后,在多尺度融合平行骨干中加入坐标注意力模块(coordinate attention,CA),增强网络的特征提取能力,更加准确定位目标位置。实验结果表明,改进后的YOLOv5算法在武钢热轧带钢表面缺陷数据集上平均准确率(mean average precision,mAP)达到93.1%,较原始YOLOv5算法提升3.9%,检测速度FPS保持在78.4,具有较高的检测精度。展开更多
文摘针对热轧带钢表面缺陷检测精度低的问题,提出一种改进的YOLOv5算法。首先,设计了一种多尺度融合平行骨干网络,其中,辅助骨干中的各个特征层经过转换,作为输入逐级复合连接到主骨干的各个特征层,利用辅助骨干提高主骨干的表达能力,从而提升了网络的表达能力;其次,在骨干网络和颈部中引入基于内容感知的特征重组模块(content-aware reassembly of features,CARAFE),获取检测任务所需的丰富语义信息,改善上采样语义信息丢失的问题;最后,在多尺度融合平行骨干中加入坐标注意力模块(coordinate attention,CA),增强网络的特征提取能力,更加准确定位目标位置。实验结果表明,改进后的YOLOv5算法在武钢热轧带钢表面缺陷数据集上平均准确率(mean average precision,mAP)达到93.1%,较原始YOLOv5算法提升3.9%,检测速度FPS保持在78.4,具有较高的检测精度。
